5．3．3 教育數(shù)字媒體內(nèi)容適配系統(tǒng)框架

1．教育資源的組成與學(xué)習(xí)對象元數(shù)據(jù)

中國網(wǎng)絡(luò)教育技術(shù)標準（CELTS）中的“教育資源建設(shè)技術(shù)規(guī)范”（CELTS－41）將網(wǎng)絡(luò)教育資源定義為基于網(wǎng)絡(luò)之上的教育資源，它除了應(yīng)該具有一般教育資源的特點和層次結(jié)構(gòu)之外，還應(yīng)該適應(yīng)網(wǎng)絡(luò)的特點和發(fā)展。而學(xué)習(xí)對象（learning object）指對象化的網(wǎng)絡(luò)教育資源，它是在結(jié)合面向?qū)ο蟮挠嬎銠C科學(xué)思想以及有關(guān)教學(xué)理論的基礎(chǔ)上產(chǎn)生的一種計算機輔助教學(xué)構(gòu)件。教學(xué)設(shè)計者可以建立各種粒度的、能在不同學(xué)習(xí)環(huán)境下多次重復(fù)使用的數(shù)字化教學(xué)構(gòu)件（學(xué)習(xí)內(nèi)容）。

學(xué)習(xí)對象元數(shù)據(jù)（learning object metadata，LOM）指的是關(guān)于學(xué)習(xí)對象的數(shù)據(jù)。它使得用戶可以根據(jù)已知的各種屬性值來精確定位和獲取教育資源或知識，提供比查看內(nèi)容本身更多的有用信息。學(xué)習(xí)對象元數(shù)據(jù)信息模型通過定義一個通用的概念數(shù)據(jù)模型，保證學(xué)習(xí)對象元數(shù)據(jù)的綁定之間有較高程度的語義互操作性，使不同綁定之間的轉(zhuǎn)換變得簡單、直接。該模型為學(xué)習(xí)者、教育者或教育系統(tǒng)等對學(xué)習(xí)對象的查找、評估、獲取和使用提供支持，以促進學(xué)習(xí)對象的共享和互換。

2．教育數(shù)字媒體內(nèi)容適配系統(tǒng)架構(gòu)

教育數(shù)字媒體內(nèi)容適配系統(tǒng)框架如圖5－13所示，該框架在邏輯結(jié)構(gòu)上由兩層組成：學(xué)習(xí)對象適配層和多媒體內(nèi)容適配層。它們分別對應(yīng)學(xué)習(xí)對象的自適應(yīng)傳輸控制機制和組成學(xué)習(xí)對象的多媒體內(nèi)容的自適應(yīng)傳輸控制機制。

教育數(shù)字媒體內(nèi)容適配系統(tǒng)框架每層主要功能模塊如下。

圖5－13 教育數(shù)字媒體內(nèi)容適配系統(tǒng)框架

1）上下文描述管理器

上下文描述管理器負責學(xué)生端和內(nèi)容提供端之間的信息交換和管理：學(xué)習(xí)者信息描述和MPEG－21DIA信息描述。前者描述的學(xué)習(xí)者信息包括學(xué)習(xí)者檔案、學(xué)習(xí)者模型和學(xué)習(xí)環(huán)境。后者描述系統(tǒng)環(huán)境的條件和約束，如學(xué)習(xí)者終端能力、資源傳輸時的網(wǎng)絡(luò)特性、移動會話等。學(xué)習(xí)者描述管理器和DIA描述管理器把描述的內(nèi)容分別存儲到相應(yīng)的學(xué)習(xí)者元數(shù)據(jù)庫和DIA描述數(shù)據(jù)庫中。

2）教育數(shù)字媒體內(nèi)容適配引擎

教育數(shù)字媒體內(nèi)容適配引擎共有兩層，且每層包括兩種適配子引擎。子引擎的結(jié)構(gòu)非常相似，由兩個邏輯模塊———資源適配引擎和描述適配引擎組成。描述適配引擎執(zhí)行元數(shù)據(jù)信息的適配，如學(xué)習(xí)對象或數(shù)字媒體內(nèi)容的元數(shù)據(jù)信息。

3）教育數(shù)字媒體內(nèi)容庫

教育數(shù)字媒體內(nèi)容適配系統(tǒng)框架中有四種數(shù)據(jù)庫，用來存儲教育資源和相關(guān)信息。學(xué)習(xí)對象數(shù)據(jù)庫和教育數(shù)字媒體內(nèi)容對象數(shù)據(jù)庫用來存儲兩適配層中的實際內(nèi)容，擴展學(xué)習(xí)對象元數(shù)據(jù)庫和數(shù)字項數(shù)據(jù)庫用來存儲相應(yīng)的元數(shù)據(jù)信息。

該框架中上下文描述管理器從學(xué)習(xí)者客戶端接收到描述學(xué)習(xí)環(huán)境條件和學(xué)習(xí)者偏好的各種上下文信息后，將它們傳送到教育數(shù)字媒體內(nèi)容適配引擎。這時適配引擎根據(jù)所提供的上下文信息決定最佳的適配方法。經(jīng)過一定的適配操作之后，教育數(shù)字媒體內(nèi)容被傳送到學(xué)習(xí)者處，適配后的元數(shù)據(jù)信息被存儲下來，更新相應(yīng)的數(shù)據(jù)庫。

4）擴展的學(xué)習(xí)對象元數(shù)據(jù)模型

雖然學(xué)習(xí)技術(shù)標準委員會（LTSC）和全球合作學(xué)習(xí)標準聯(lián)盟（IMS）等國際標準組織制定的學(xué)習(xí)對象元數(shù)據(jù)標準可以很好地表達學(xué)習(xí)對象的各種信息，但它們僅針對在非移動設(shè)備上進行的普通學(xué)習(xí)和培訓(xùn)方式，而不適合移動學(xué)習(xí)和非正式的學(xué)習(xí)方法。因此，有必要對其進行擴展以適應(yīng)各種學(xué)習(xí)環(huán)境?？紤]到學(xué)習(xí)者創(chuàng)建的某些學(xué)習(xí)對象可能會被其他學(xué)習(xí)者共享和驗證，并由于學(xué)習(xí)地點的變化而受到一定的限制，相關(guān)文獻在LOM標準的“權(quán)利”類中加入了一些元素對其進行擴展，但仍然缺乏足夠的元素來支持多媒體教育資源的適配過程。因此我們通過在LOM標準的技術(shù)類“Technical”中增加“適配質(zhì)量”等元素來擴展LOM標準。相關(guān)定義如表5－1所示。需要特別指出的是，學(xué)習(xí)對象和作者可以為其定義多個質(zhì)量參數(shù)元素，每個質(zhì)量參數(shù)的優(yōu)先級可以在學(xué)習(xí)過程中由作者或?qū)W習(xí)者來重新定義?；诖藬U展的LOM模型，我們可以將學(xué)習(xí)對象的適配質(zhì)量與多媒體適配質(zhì)量相整合。

表5－1 教育數(shù)字媒體內(nèi)容適配對LOM的擴展

5）MPEG－21DIA描述

數(shù)字項適配是MPEG－21的主要部分，它可以使網(wǎng)絡(luò)按照用戶需求來提供終端資源，不同用戶團體可以創(chuàng)建和共享多媒體內(nèi)容，使得這些內(nèi)容具有協(xié)商好的質(zhì)量、可靠性和適應(yīng)性，使多媒體應(yīng)用系統(tǒng)連接不同的終端用戶。因為教育資源通常包含大量的多媒體內(nèi)容，所以我們將MPEG－21DIA引入到適配框架中，解決多媒體內(nèi)容的適配問題。其中，具體應(yīng)用了兩類DIA描述工具。

第一類是使用環(huán)境描述工具，表示對網(wǎng)絡(luò)終端容量、網(wǎng)絡(luò)特性和自然環(huán)境特征的影響。這類工具提供多維的有關(guān)學(xué)習(xí)環(huán)境和資源傳輸網(wǎng)絡(luò)的描述信息。

第二類是資源描述工具，主要針對多媒體資源如視頻、音頻、圖像等。在本書提出的框架模型中，我們利用BSD／gBSD工具，為多媒體資源提供了一種基于XML的描述。與具體描述二進制多媒體資源的編碼語法結(jié)構(gòu)不同，BSD／gBSD更多的是在較高的語義層進行描述。在多媒體適配引擎中，基于最佳適配策略，利用XSLT對原始BSD／gBSD進行轉(zhuǎn)換。通過轉(zhuǎn)換后的新描述信息，很容易生成適配的多媒體內(nèi)容。通過引入BSD／gBSD工具，適配框架實現(xiàn)了輕量的和靈活的多媒體教育資源適配機制。

6）適配過程

如圖5－13所示，從左向右的箭頭表示教育數(shù)字媒體內(nèi)容資源適配的工作流程。當學(xué)習(xí)者向教育數(shù)字媒體內(nèi)容管理系統(tǒng)發(fā)送一個資源請求時，學(xué)習(xí)者客戶端將首先收集相關(guān)的學(xué)習(xí)環(huán)境上下文信息，然后將其發(fā)送給部署在教育數(shù)字媒體內(nèi)容提供端的上下文描述管理器。上下文描述管理器可將收到的描述信息存入數(shù)據(jù)庫并對已有信息進行更新。

接著，上下文描述信息和學(xué)習(xí)者的請求被進一步發(fā)送到教育數(shù)字媒體內(nèi)容適配引擎。如果被請求的教育數(shù)字媒體內(nèi)容不適合當前的學(xué)習(xí)環(huán)境，則執(zhí)行兩個適配層上的適配處理進程。

（1）學(xué)習(xí)對象適配層。這一層的適配主要指學(xué)習(xí)對象的合理選擇，即根據(jù)學(xué)習(xí)者的偏好和資源請求來選取，但與學(xué)習(xí)環(huán)境無關(guān)。適配引擎根據(jù)上下文描述和學(xué)習(xí)對象元數(shù)據(jù)為學(xué)習(xí)者提供合適的學(xué)習(xí)對象。例如，一個人正在參觀一個飛機展覽。他在參觀一架20世紀40年代的戰(zhàn)斗機展品后，想進一步了解與它同時期的其他戰(zhàn)斗機的情況。學(xué)習(xí)對象適配引擎將首先更新元數(shù)據(jù)信息，如位置和用戶的設(shè)備能力，并推斷學(xué)習(xí)者可能想了解所有20世紀40年代生產(chǎn)的戰(zhàn)斗機的信息。適配引擎進一步根據(jù)學(xué)習(xí)者的偏好和由學(xué)習(xí)環(huán)境描述信息提供的其他學(xué)習(xí)者的能力，過濾不符合要求的學(xué)習(xí)對象。但是，在本層的適配過程中，我們并未考慮學(xué)習(xí)環(huán)境和資源傳輸網(wǎng)絡(luò)的約束條件，因為某些不能滿足這些約束條件的學(xué)習(xí)對象可以通過下面的媒體內(nèi)容適配層進行調(diào)整以適應(yīng)環(huán)境的要求。

（2）媒體內(nèi)容適配層。該適配層的目標是通過滿足學(xué)習(xí)環(huán)境的技術(shù)需求來呈現(xiàn)學(xué)習(xí)對象和數(shù)字媒體內(nèi)容。這些技術(shù)需求包括終端能力（如顯示器大小、顏色深度）、網(wǎng)絡(luò)特性（如網(wǎng)絡(luò)帶寬、丟包率）等。如果原始的學(xué)習(xí)對象和數(shù)字媒體內(nèi)容不能滿足這些約束條件，則需要用到一些多媒體轉(zhuǎn)換編碼方法，改變多媒體內(nèi)容的格式和技術(shù)屬性等。有效的轉(zhuǎn)換編碼方式包括圖像尺寸縮小、視頻幀率減小、顏色深度降低、比特率壓縮等。但是，數(shù)字媒體內(nèi)容的轉(zhuǎn)碼會導(dǎo)致多媒體質(zhì)量的下降。在轉(zhuǎn)碼方法與學(xué)習(xí)對象的選擇兩方面之間需要進行權(quán)衡，以保證最優(yōu)的適配質(zhì)量。另外，適配引擎要考慮包含在教育數(shù)字媒體內(nèi)容資源中的所有媒體內(nèi)容的適配要求，獲得一個全局最優(yōu)的適配結(jié)果。

經(jīng)過以上兩層的適配處理過程后，適配后的教育數(shù)字媒體內(nèi)容會被傳輸?shù)綄W(xué)習(xí)者端。很明顯，該教育數(shù)字媒體內(nèi)容同時滿足了學(xué)習(xí)者的需求和學(xué)習(xí)環(huán)境的約束條件。

3．適配決策

1）綜合適配質(zhì)量

最終的教育數(shù)字媒體內(nèi)容資源適配質(zhì)量不僅取決于低層數(shù)字媒體對象的適配質(zhì)量，還取決于正確、合理地選擇適合學(xué)習(xí)需求的學(xué)習(xí)對象。然而，這兩種層次的學(xué)習(xí)內(nèi)容的質(zhì)量評價指標和方法顯然有所不同。例如：學(xué)習(xí)對象選擇的適配質(zhì)量可以用所選擇的學(xué)習(xí)對象與學(xué)習(xí)者偏好、學(xué)習(xí)需求的相關(guān)度來衡量，而圖像／視頻等數(shù)字媒體內(nèi)容的適配質(zhì)量則用峰值信噪比（PSNR）、圖像大小、顏色等參數(shù)來評價。因此，我們通過定義一種綜合質(zhì)量評價機制來解決高層學(xué)習(xí)對象和低層數(shù)字媒體對象間的質(zhì)量評價不一致的問題。

首先，我們討論低層數(shù)字媒體對象的適配質(zhì)量?；趯鹘y(tǒng)的學(xué)習(xí)對象元數(shù)據(jù)模型進行的擴展，學(xué)習(xí)對象的創(chuàng)作者可以為學(xué)習(xí)對象指定其關(guān)注的多種質(zhì)量參數(shù)。由于低層的數(shù)字媒體對象也可以被看成是一種最小的學(xué)習(xí)對象，即原子學(xué)習(xí)對象，因此含于高層學(xué)習(xí)對象內(nèi)的多媒體對象也可以被指定質(zhì)量參數(shù)。對于第i個質(zhì)量參數(shù)，我們定義QVmin（i）為其最小允許取值，QVmax（i）為其最大允許取值，QV（i）為適配后的質(zhì)量參數(shù)值。然后，以第i個質(zhì)量參數(shù)來評價適配后的數(shù)字媒體內(nèi)容，可以定義適配質(zhì)量評估指標QV_e（i）。QV_e（i）是一種抽象指標，為學(xué)習(xí)者提供了一種具有實際意義的質(zhì)量評價，因為學(xué)習(xí)者通常對實際的質(zhì)量參數(shù)值并不十分感興趣，但對質(zhì)量參數(shù)值的變化程度則比較敏感。假設(shè)質(zhì)量模型采用一階模型或二階模型，可以得到QV_e（i）的計算公式如下。

一階模型：二階模型：

對于數(shù)字媒體學(xué)習(xí)對象的多個質(zhì)量參數(shù)，我們定義一個整體質(zhì)量評估指標QVge來評價適配后的學(xué)習(xí)對象，考慮到質(zhì)量參數(shù)的優(yōu)先級或者權(quán)重Wi，設(shè)有L個不同的質(zhì)量參數(shù)，則可用式（5－3）計算QVge：

此處的QVge即為執(zhí)行某一轉(zhuǎn)碼操作后的數(shù)字媒體對象的適配質(zhì)量評價指標。從QVge的定義過程來看，它應(yīng)是一個歸一化參數(shù)。至此，對于每一種可能的適配操作O_j，都可以通過QV_ge（j）來評價學(xué)習(xí)對象的適配質(zhì)量。

另一方面，我們可以定義一個歸一化的相關(guān)度參數(shù)R（k），其中k表示第k個與當前學(xué)習(xí)者需求或?qū)W習(xí)狀態(tài)相關(guān)的學(xué)習(xí)對象。

最后，我們可以得到學(xué)習(xí)對象經(jīng)過適配操作O_j后的綜合適配質(zhì)量：

式（5－4）既反映了學(xué)習(xí)對象選擇過程的適配質(zhì)量，也反映了數(shù)字媒體轉(zhuǎn)碼處理對適配質(zhì)量的影響。

2）適配決策算法

通過綜合適配質(zhì)量評價指標，我們將適配決策建模為：并且對于所有可能的i，滿足

其中，m為所有將被傳遞給學(xué)習(xí)者的相關(guān)學(xué)習(xí)對象的總數(shù)，C（i）為執(zhí)行適配操作O_j后第i個限制參數(shù)實際達到的值，C_context（i）則為學(xué)習(xí)環(huán)境所允許的最大限制參數(shù)值。

我們可以簡單地采用貪婪算法來獲得適配決策。

首先，可以找出所有滿足環(huán)境約束條件的適配操作，其中也包括將某些學(xué)習(xí)對象從傳輸隊列中排除。雖然排除學(xué)習(xí)對象的操作會釋放一定的限制資源并可能導(dǎo)致滿足條件的適配操作數(shù)目增加，但可能的適配操作數(shù)目依然十分有限，因此，采取貪婪算法仍然是可行的。

然后，對于每一個候選的適配操作O_j，計算所有將傳輸?shù)膶W(xué)習(xí)對象的平均綜合適配質(zhì)量，并將結(jié)果以降序的形式排列。此處的n是變化的，因為某些候選適配操作可能會將一些學(xué)習(xí)對象排除在傳輸隊列之外。

最后，適配決策即為選擇綜合適配質(zhì)量平均值最高的適配操作進行該教育數(shù)字媒體內(nèi)容資源的適配。

從以上的決策算法中可以看出，在滿足學(xué)習(xí)者需求和學(xué)習(xí)環(huán)境的技術(shù)要求的前提下，平均綜合適配質(zhì)量得到了盡可能好的保證。